CN115346162A - 基于室内监控的地下建筑墙体渗水实时监测方法 - Google Patents
基于室内监控的地下建筑墙体渗水实时监测方法 Download PDFInfo
- Publication number
- CN115346162A CN115346162A CN202211276273.XA CN202211276273A CN115346162A CN 115346162 A CN115346162 A CN 115346162A CN 202211276273 A CN202211276273 A CN 202211276273A CN 115346162 A CN115346162 A CN 115346162A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- water seepage
- wall
- edge
- video frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本发明公开了基于室内监控的地下建筑墙体渗水实时监测方法,涉及图像处理领域。包括:获取墙体视频帧图像;对墙体视频帧图像进行连通域检测,得到连通域以及连通域的边缘线;计算每个连通域的圆形度和矩形度,并得到每个连通域的轮廓特征值;获取每个连通域的边缘线上的边缘点的梯度计算每个连通域的边缘梯度强度;计算每个连通域的连通域变化率得到的渗水概率;利用每个连通域的轮廓特征值、边缘梯度强度和渗水概率计算每个连通域的渗水指标值,确定是否存在渗水区域。本发明通过连通域的边缘梯度以及连通域的变化情况区分阴影区域与渗水区域,提高了对墙体的渗水区域的检测,能够更好的保证地下建筑的安全性。
Description
技术领域
本发明涉及图像处理领域,具体涉及基于室内监控的地下建筑墙体渗水实时监测方法。
背景技术
地下建筑的密闭环境和周围存在着的比较稳定的温度场,对于创造恒温或超净的生产环境和在低温或高温状态下贮存物资,防止污染,特别是对于节约能源,都是有利的,在城市中有计划地建造地下建筑,对节省城市用地,降低建筑密度,改善城市交通,扩大绿地面积,减轻城市污染,提高城市生活质量等方面,都可以起到重要的作用。
但是由于地下建筑特殊的建造位置,通常会需要考虑以及面临发生墙体渗水的情况,而当墙体发生渗水时会导致墙体的部分材料或墙皮发生脱落,严重甚至会使得墙体的承重能力减弱,使人民生命和财产安全受到威胁。因此为了防患于未然,就需要对地下建筑内的墙体进行实时监测,及时发现墙体出现渗水的情况。
现有技术中,对地下建筑墙体渗水进行监测的方法中大多还是采用传统的边缘检测结合训练分类器的手段来进行检测,但是在训练分类器时,由于需要的训练数据很多,比较耗时,而且由于地下建筑建造位置以及光照的原因,建筑内部环境较暗,并且因为灯光照射,监控图像中会存在阴影的分布,然而墙体渗水时在图像中表现的是相较于正常区域呈现的颜色较暗的情况,这样就使得边缘检测出的区域出现无法分辨监测出的是阴影情况还是墙体渗水现象,从而导致监测的结果不够准确的情况。
发明内容
针对上述技术问题,本发明提供了基于室内监控的地下建筑墙体渗水实时监测方法,具体包括:
获取多张地下建筑的墙体视频帧图像,所述多张地下建筑的墙体视频帧图像为:
获取经过一定时间采集的监控视频中的地下建筑的墙体图像;
将采集的墙体图像输入神经网络中,输出墙体图像在采集时是否存在外来光源将采集时存在外来光源的墙体图像进行筛除,继续进行下一次采样,直到采集的墙体图像不存在外来光源,将该不存在外来光源的墙体图像作为当前采样时刻的墙体视频帧图像。
对每一张墙体视频帧图像进行连通域检测,得到每一张墙体视频帧图像中的连通域,以及每个连通域的边缘线;
根据每一张墙体视频帧图像中每个连通域的边缘线以及每个连通域的面积计算每个连通域的圆形度;
根据每一张墙体视频帧图像中每个连通域的面积以及最小外接矩形的面积计算每个连通域的矩形度;
利用每一张墙体视频帧图像中每个连通域的圆形度和矩形度得到每个连通域的轮廓特征值;
获取每个连通域的边缘线上的边缘点的梯度,利用每个连通域的边缘线上的边缘点的梯度信息和边缘点的数量计算每个连通域的边缘梯度强度;
根据每个连通域内灰度值的频数,以及每个连通域对应的墙体视频帧图像的像素点数量,确定每个连通域的分布占比值;
根据任意一张墙体视频帧图像与前一张墙体视频帧图像中相同位置的连通域的分布占比值,计算每个连通域的连通域变化率;
设置渗水连通域变化率区间,利用每个连通域的连通域变化率和设置渗水连通域变化率区间得到每个连通域的渗水概率;
利用每个连通域的轮廓特征值、边缘梯度强度和渗水概率计算每个连通域的渗水指标值,利用每一个连通域的渗水指标值判断该连通域对应的区域是否为渗水区域。
所述计算每个连通域的圆形度的方法为:
获取每个连通域的边缘线长度和每个连通域的面积,将每个连通域的面积和四倍圆周率的乘积与边缘线的长度的平方之商作为每个连通域的圆形度;
其中,连通域的边缘线长度即构成该连通域的边缘线的边缘点数量。
所述计算每个连通域的矩形度的方法为:
获取每个连通域的最小外接矩形,将每个连通域的面积与最小外接矩形的面积的比值作为每个连通域的矩形度。
所述每个连通域的轮廓特征值的获取方法如下:
获取每个连通域的圆形度和矩形度,将每个连通域的圆形度和矩形度中的最大值作为每个连通域的轮廓特征值。
所述计算每个连通域的边缘梯度强度的方法如下:
获取每个连通域的边缘线上每个边缘点的梯度值,以及每个连通域的边缘线上边缘点的数量,将每个连通域的边缘线上所有偶边缘点的梯度值的均值作为每个连通域的边缘梯度强度。
所述确定每个连通域的分布占比值的过程如下:
获取每个连通域的灰度值以及每个灰度值的频率,将灰度值按照频率从大到小排列,按照灰度值的顺序获取连通域95%的像素点作为每个连通域的分布面积;
将每个连通域的分布面积与墙体视频帧图像的面积之比作为每个连通域的分布占比值。
所述计算每个连通域的渗水概率的过程为:
获取在当前采样时刻墙体视频帧图像中每个连通域的分布占比值和前一采样时刻的墙体视频帧图像中相同位置的连通域的分布占比值,将每个连通域在当前采样时刻墙体视频帧图像中的分布占比值和前一采样时刻的墙体视频帧图像中的分布占比值的差值,与当前采样时刻和前一采样时刻的采样间隔时间的比值作为每个连通域的连通域变化率;
设置渗水连通域变化率区间,根据每个连通域的连通域变化率以及渗水连通域变化率区间计算每个连通域的渗水概率,计算公式如下:
所述确定是否存在渗水区域的方法为:
获取每个连通域的轮廓特征值、边缘梯度强度和渗水概率,分别对轮廓特征值、边缘梯度强度和渗水概率设置权重值,将每个连通域的轮廓特征值、边缘梯度强度和渗水概率以及每个参数对应的权重值的乘积的均值作为每个连通域的渗水指标值;
设置渗水阈值,将连通域的渗水指标值大于等于渗水阈值的连通域作为渗水区域,判断每个连通域是否为渗水区域。
相比于现有技术,本发明实施例的有益效果在于:
本发明通过获取监控中的实时图像对墙体是否存在渗水情况进行分析,根据实时图像中的连通域中的灰度值以及连通域边缘的梯度变化情况,根据渗水区域的颜色特征,结合每次间隔频率相同位置的连通域区域是否有扩散的情况,能确定每个连通域区域是否为渗水区域,够提高对墙体渗水的检测精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于室内监控的地下建筑墙体渗水实时监测方法提供的方法流程图;
图2为本发明实施例基于室内监控的地下建筑墙体渗水实时监测方法提供的地下建筑图;
图3为本发明实施例基于室内监控的地下建筑墙体渗水实时监测方法提供的墙体渗水图;
图4为本发明实施例基于室内监控的地下建筑墙体渗水实时监测方法提供的阴影包含渗水示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例提供了基于室内监控的地下建筑墙体渗水实时监测方法,如图1所示,具体内容包括:
S101、获取墙体视频帧图像:
在墙体渗水的场景图像中,出现渗水或阴影的墙体在灰阶等级上相对于正常部分的墙体更高,但是渗水区域与阴影区域之间存在边缘以及灰度变化、分布上的差异,通过分析图像中墙体上的灰度分布以及边缘情况来实现对地下建筑渗水的实时监测,本实施例通过地下建筑的室内监控获取墙体的实时视频图像,按一定频率采集视频帧图像,对所获图像进行预处理并逐个对所抽取图像进行处理以及分析;利用语义分割获得图像中的墙体部分,并对图像进行分析得到连通域和边缘,对所获连通域和边缘分析其灰度大小变化以及分布特征;根据所述特征参数分辨监测的墙体渗水情况。
因此,本实施例是基于地下建筑的墙体视频帧图像进行分析的,首先获取地下建筑的墙体视频帧图像,具体过程如下:
通过安装在地下建筑中的室内摄像头获取视频,并对获取的视频按照一定的频率获取实时帧图像,下一次的采样时间间隔相同的时间,对获取的实时帧图像进行图像预处理,图像预处理包括:降噪平滑处理、图像增强处理、图像灰度化获得对应灰度图像等,得到预处理后的地下建筑图像,地下建筑图像如图2所示。
由于布置监控摄像的位置和角度的原因,单帧地下建筑图像中会有地面、墙体等场景构成,所以在本步骤中首先利用语义分割找到图像中的墙体,即地下建筑的墙体视频帧图像,如图3所示,对得到的墙体视频帧图像中墙体部分进行后续处理分析。
S102、计算连通域的轮廓特征值:
通过连通域检测的手段获取墙体视频帧图像中的所有连通域,这些连通域可能是由阴影构成的,也可能是渗水构成的渗水区域,因此计算每个连通域的轮廓特征值,对于地下建筑来说,大部分的阴影区域的边缘都是比较规则的,因此本实施例通过分析每个连通域的轮廓特征信息,得到每个连通域的轮廓特征值,将轮廓特征值作为判断指标之一。
对获得的墙体视频帧图像进行连通域检测,得到墙体视频帧图像中所有的连通域,并获取每个连通域的边缘线。
1.计算每个连通域的圆形度:
获取每个连通域的边缘线长度和每个连通域的面积,将每个连通域的面积和四倍圆周率的乘积与边缘线的长度的平方之商作为每个连通域的圆形度;
其中,连通域的边缘线长度即构成该连通域的边缘线的边缘点数量。
计算公式如下:
式中:表示第个连通域的圆形度,为圆周率,表示第个连通域的面积,表示第个连通域的边缘线长度。根据圆的周长和面积公式可知,当连通域为圆形时,连
通域的圆形度的计算公式的分子和分母相等,因此当连通域的形状越趋于圆形时,连通域
的圆形度越趋于1,当连通域的形状越不规则时,连通域的圆形度就不会接近1。
2.计算每个连通域的矩形度:
获取每个连通域的最小外接矩形,将每个连通域的面积与最小外接矩形的面积的比值作为每个连通域的矩形度。
式中:表示第个连通域的矩形度,表示第个连通域的面积,表示第个
连通域的最小外接矩形的面积。根据矩形的面积公式可知,当连通域为矩形时,连通域的矩
形度为1,则说明连通域的最小外接矩形是它本身,即当连通域的面积与最小外接矩形的面
积之比越接近1,则说明连通域与最小外接矩形的边缘越契合,则连通域的矩形度越接近1。
3.计算每个连通域的轮廓特征值:
获取每个连通域的圆形度和矩形度,将每个连通域的圆形度和矩形度中的最大值作为每个连通域的轮廓特征值。
通过每个连通域的圆形度和矩形度中的最大值来作为每个连通域的轮廓特征值,因为部分连通域的圆形度虽然小,但是其矩形度较高,即该连通域更接近于矩形,因此将该连通域的矩形度作为该连通域的轮廓特征值,说明该连通域的边缘轮廓是比较规则的。
通过S102中的步骤3所述方法得到每个连通域的轮廓特征值,轮廓特征值越趋近于1表示该连通域的轮廓越接近其参数的对应的外形轮廓(圆形或矩形),反之,该连通域的外形轮廓越不规则。
S103、计算连通域的边缘梯度强度:
对于阴影区域包含渗水区域的情况,分辨两种情况比较困难,因此进行先行灰度变化的方法对局部图像进行增强处理,能够有效提高阴影区域与渗水区域之间的区别,并且正常区域和阴影区域之间的梯度变化与阴影区域和渗水区域之间的梯度变化有差异,因此计算连通域边缘线处的平均梯度作为连通域的边缘梯度强度,将连通域的边缘梯度强度作为另一个判断指标对连通域的情况进行分析判断。
在图像的墙体部分中,阴影区域和渗水区域在其边缘上的灰度变化大小以及变化
方向(即梯度向量,为梯度向量模的大小,表示梯度向量的方向)存在差异,因为
阴影和渗水区域的轮廓多变,故单从轮廓分析是不行的。阴影区域由于光的散射边缘处明
暗变换缓慢,故其梯度向量的向量模大小相对较小,而发生渗水的墙体和未渗水的墙体之
间灰度变化快速。
根据连通域的位置关系,当出现阴影包含着投射在渗水区域的情况时,渗水区域的边缘梯度向量大小不显著时,便会监测困难甚至无法监测,该情况如下图4所示,对于该种情况利用线性灰度变换的方法进行局部图像增强以减少阴影投射对内部灰度的影响,然后再对该区域进行以下分析计算。
获取每个连通域的边缘线上每个边缘点的梯度值,以及每个连通域的边缘线上边缘点的数量,将每个连通域的边缘线上所有偶边缘点的梯度值的均值作为每个连通域的边缘梯度强度,计算公式如下:
式中:表示第个连通域的边缘梯度强度,表示第个连通域的边缘线长度,
即边缘线上边缘点的数量,表示第个连通域的边缘线上边缘点的序号,表示第个
边缘点的梯度值,包含第个边缘点的梯度向量的方向和梯度向量的模长。该式反映了图
像中连通域边缘梯度的平均强度大小,强度越大,边缘灰度变化的越快,越有可能是渗水产
生的边缘,而平均强度越小,边缘处灰度变化较缓,越有可能为阴影的边缘。
S104、计算连通域的渗水概率:
虽然S102和S103中已经得到两个判断指标对连通域进行判断,但是为了检测结果更精确,本实施例根据连通域在相邻两簇采样中的面积是否发生变化来判断是否为渗水区域,阴影区域在一些干扰因素下,其面积可能会发生变化,且变化过程无规律可循,但是在无干扰因素的情况下,阴影区域的面积是不会发生变化的;然而渗水区域进行有干扰因素,也是存在变化的,且变化速率呈正态分布的规则,根据以上特性,对连通域的渗水概率进行计算。
1.计算每个连通域的分布占比值:
获取每个连通域的灰度值以及每个灰度值的频率,将灰度值按照频率从大到小排列,按照灰度值的顺序获取连通域95%的像素点作为每个连通域的分布面积;
因为考虑到连通域内可能存在的、分布离散的其他灰度的干扰像素点,这类干扰像素点的数量少,灰度值占比也小,因此根据灰度值的频率进行排序,选取灰度值频率较大的部分对应的像素点作为连通域的分布面积,举例说明:
当连通域内的灰度值及其频率为:(a,0.67),(b,0.21),(c,0.1),(d,0.02),则选取的像素点为灰度值为a,b的所有像素点,以及灰度值为c的部分像素点,选取的部分像素点与a,b对应的所有像素点之和占整个连通域的像素点的95%。
将每个连通域的分布面积与墙体视频帧图像的面积之比作为每个连通域的分布占比值,计算公式如下:
2.计算连通域的连通域变化率:
获取每个连通域在当前采样时刻墙体视频帧图像中的分布占比值和前一采样时刻的墙体视频帧图像中的分布占比值,将每个连通域在当前采样时刻墙体视频帧图像中的分布占比值和前一采样时刻的墙体视频帧图像中的分布占比值的差值,与当前采样时刻和前一采样时刻的采样间隔时间的比值作为每个连通域的连通域变化率,需要说明的是,由于经过新光源是,阴影区域的连通域会发生较快的变化,因此本实施例利用神经网络检测出现外来光源的监控中的墙体视频帧图像,在对图像进行采样时,对该图像不予计算使用,采用其他时间没有外来光源的墙体视频帧图像,即将采集的墙体图像输入神经网络中,输出墙体图像在采集时是否存在外来光源将采集时存在外来光源的墙体图像进行筛除,继续进行下一次采样,直到采集的墙体图像不存在外来光源,将该不存在外来光源的墙体图像作为当前采样时刻的墙体视频帧图像。
连通域变化率的计算公式如下:
式中:为第个连通域的连通域变化率,为第个连通域在当前采样时刻的
墙体视频帧图像中的分布占比值,为第个连通域在前一采样时刻的墙体视频帧图像
中的分布占比值,表示当前采样时刻与前一采样时刻的时间间隔。该式反映了地下建筑
的室内监控视频图像中在一定时间内,连通域面积的变化量,反映了图像中墙体部分上的
连通域变化情况,值越大,表示其中的某个连通域发生的变化越大,值越小,表示其中的某
个连通域变化越小。
3.计算连通域的渗水概率:
设置渗水连通域变化率区间,根据每个连通域的连通域变化率以及渗水连通域变化率区间计算每个连通域的渗水概率,计算公式如下:
S105、判断是否存在渗水区域:
本实施例中,通过S102、S103、S104中的步骤得到了判断没了联通与是否为渗水区域的三个指标值,即每个连通域的轮廓特征值、边缘梯度强度和渗水概率,根据每个指标值的重要程度设置不同的权重值来判断每个连通域是否为渗水区域。
获取每个连通域的轮廓特征值、边缘梯度强度和渗水概率,分别对轮廓特征值、边缘梯度强度和渗水概率设置权重值,将每个连通域的轮廓特征值、边缘梯度强度和渗水概率以及每个参数对应的权重值的乘积的均值作为每个连通域的渗水指标值,计算公式如下:
式中:表示第个连通域的渗水指标值,表示第个连通域的轮廓特征值,
为轮廓特征值的权重值,表示第个连通域的边缘梯度强度,为边缘梯度强度的权重
值,表示第个连通域的渗水概率,表示渗水概率的权重值,本实施例中,、、。
应满足条件,因为在地下建筑的场景中,多为人造物产生的阴影外形
轮廓较为规则,但因为考虑到会存在其他不规则轮廓,对最终判定时的指标有影响但是不
大,故对指标中的参数的权重设置为三个权重中最小的一个;而在待检测轮廓的边缘梯
度中,根据阴影产生的漫反射和散射的光学原理以及渗水产生的水文学原理中的饱和渗水
理论可以得知阴影和渗水区域的边缘梯度差异,但是考虑到不常见的墙体表面的涂料疏密
变化情况导致渗水区域的边缘梯度近似阴影,故将参数的权重值大小设置居中;因为渗
水是一个动态变化的过程,对墙体上的连通域变化对渗水检测概率指标的影响最大,则参
数的权重设置为最大。
设置渗水阈值,本实施例中渗水阈值设置为0.3,将连通域的渗水指标值大于等于渗水阈值的连通域作为渗水区域,判断每个连通域是否为渗水区域。
当墙体视频帧图像中所有连通域都不是渗水区域时,该区域的墙体不存在渗水情况,当墙体视频帧图像中,只要出现连通域为渗水区域时,说明该区域的墙体存在渗水情况,应及时对渗水区域的墙体进行修复,避免出现由渗水导致的损失。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,包括:
获取多张地下建筑的墙体视频帧图像;
对每一张墙体视频帧图像进行连通域检测,得到每一张墙体视频帧图像中的连通域,以及每个连通域的边缘线;
根据每一张墙体视频帧图像中每个连通域的边缘线以及每个连通域的面积计算每个连通域的圆形度;
根据每一张墙体视频帧图像中每个连通域的面积以及最小外接矩形的面积计算每个连通域的矩形度;
利用每一张墙体视频帧图像中每个连通域的圆形度和矩形度得到每个连通域的轮廓特征值;
获取每个连通域的边缘线上的边缘点的梯度,利用每个连通域的边缘线上的边缘点的梯度信息和边缘点的数量计算每个连通域的边缘梯度强度;
根据每个连通域内灰度值的频数,以及每个连通域对应的墙体视频帧图像的像素点数量,确定每个连通域的分布占比值;
根据任意一张墙体视频帧图像与前一张墙体视频帧图像中相同位置的连通域的分布占比值,计算每个连通域的连通域变化率;
设置渗水连通域变化率区间,利用每个连通域的连通域变化率和设置渗水连通域变化率区间得到每个连通域的渗水概率;
利用每个连通域的轮廓特征值、边缘梯度强度和渗水概率计算每个连通域的渗水指标值,利用每一个连通域的渗水指标值判断该连通域对应的区域是否为渗水区域。
2.根据权利要求1所述的基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,还包括:
所述多张地下建筑的墙体视频帧图像为:
获取经过一定时间采集的监控视频中的地下建筑的墙体图像;
将采集的墙体图像输入神经网络中,输出墙体图像在采集时是否存在外来光源将采集时存在外来光源的墙体图像进行筛除,继续进行下一次采样,直到采集的墙体图像不存在外来光源,将该不存在外来光源的墙体图像作为当前采样时刻的墙体视频帧图像。
3.根据权利要求1所述的基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,所述计算每个连通域的圆形度的方法为:
获取每个连通域的边缘线长度和每个连通域的面积,将每个连通域的面积和四倍圆周率的乘积与边缘线的长度的平方之商作为每个连通域的圆形度;
其中,连通域的边缘线长度即构成该连通域的边缘线的边缘点数量。
4.根据权利要求1所述的基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,所述计算每个连通域的矩形度的方法为:
获取每个连通域的最小外接矩形,将每个连通域的面积与最小外接矩形的面积的比值作为每个连通域的矩形度。
5.根据权利要求1所述的基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,所述每个连通域的轮廓特征值的获取方法如下:
获取每个连通域的圆形度和矩形度,将每个连通域的圆形度和矩形度中的最大值作为每个连通域的轮廓特征值。
6.根据权利要求1所述的基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,所述计算每个连通域的边缘梯度强度的方法如下:
获取每个连通域的边缘线上每个边缘点的梯度值,以及每个连通域的边缘线上边缘点的数量,将每个连通域的边缘线上所有偶边缘点的梯度值的均值作为每个连通域的边缘梯度强度。
7.根据权利要求1所述的基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,所述确定每个连通域的分布占比值的过程如下:
获取每个连通域的灰度值以及每个灰度值的频率,将灰度值按照频率从大到小排列,按照灰度值的顺序获取连通域95%的像素点作为每个连通域的分布面积;
将每个连通域的分布面积与墙体视频帧图像的面积之比作为每个连通域的分布占比值。
8.根据权利要求1所述的基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,所述计算每个连通域的渗水概率的过程为:
获取在当前采样时刻墙体视频帧图像中每个连通域的分布占比值和前一采样时刻的墙体视频帧图像中相同位置的连通域的分布占比值,将每个连通域在当前采样时刻墙体视频帧图像中的分布占比值和前一采样时刻的墙体视频帧图像中的分布占比值的差值,与当前采样时刻和前一采样时刻的采样间隔时间的比值作为每个连通域的连通域变化率;
设置渗水连通域变化率区间,根据每个连通域的连通域变化率以及渗水连通域变化率区间计算每个连通域的渗水概率,计算公式如下:
9.根据权利要求1所述的基于室内监控的地下建筑墙体渗水实时监测方法,其特征在于,所述确定是否存在渗水区域的方法为:
获取每个连通域的轮廓特征值、边缘梯度强度和渗水概率,分别对轮廓特征值、边缘梯度强度和渗水概率设置权重值,将每个连通域的轮廓特征值、边缘梯度强度和渗水概率以及每个参数对应的权重值的乘积的均值作为每个连通域的渗水指标值;
设置渗水阈值,将连通域的渗水指标值大于等于渗水阈值的连通域作为渗水区域,判断每个连通域是否为渗水区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276273.XA CN115346162B (zh) | 2022-10-19 | 2022-10-19 | 基于室内监控的地下建筑墙体渗水实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276273.XA CN115346162B (zh) | 2022-10-19 | 2022-10-19 | 基于室内监控的地下建筑墙体渗水实时监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115346162A true CN115346162A (zh) | 2022-11-15 |
CN115346162B CN115346162B (zh) | 2022-12-13 |
Family
ID=83957656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276273.XA Active CN115346162B (zh) | 2022-10-19 | 2022-10-19 | 基于室内监控的地下建筑墙体渗水实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115346162B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004102807A (ja) * | 2002-09-11 | 2004-04-02 | Ricoh Co Ltd | 連結成分抽出方法とその方法をコンピュータに実行させるプログラム、連結成分抽出装置 |
US20060228009A1 (en) * | 2005-04-12 | 2006-10-12 | General Electric Company | Method and system for automatically segmenting organs from three dimensional computed tomography images |
CN105547602A (zh) * | 2015-11-04 | 2016-05-04 | 上海大学 | 一种地铁隧道管片渗漏水的远距离测量方法 |
WO2016164021A1 (en) * | 2015-04-09 | 2016-10-13 | Siemens Healthcare Gmbh | Automatic marine flare or seep detection from echosounder data |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
CN108830844A (zh) * | 2018-06-11 | 2018-11-16 | 北华航天工业学院 | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 |
-
2022
- 2022-10-19 CN CN202211276273.XA patent/CN115346162B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004102807A (ja) * | 2002-09-11 | 2004-04-02 | Ricoh Co Ltd | 連結成分抽出方法とその方法をコンピュータに実行させるプログラム、連結成分抽出装置 |
US20060228009A1 (en) * | 2005-04-12 | 2006-10-12 | General Electric Company | Method and system for automatically segmenting organs from three dimensional computed tomography images |
WO2016164021A1 (en) * | 2015-04-09 | 2016-10-13 | Siemens Healthcare Gmbh | Automatic marine flare or seep detection from echosounder data |
CN105547602A (zh) * | 2015-11-04 | 2016-05-04 | 上海大学 | 一种地铁隧道管片渗漏水的远距离测量方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
CN108830844A (zh) * | 2018-06-11 | 2018-11-16 | 北华航天工业学院 | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 |
Non-Patent Citations (6)
Title |
---|
JIAQI LI 等: "Research on Water Seepage Detection Technology of Tunnel Asphalt Pavement Based on Deep Learning and Digital Image Processing", 《RESEARCH SQUARE》 * |
SHUAN YAN 等: "On Image Fusion of Ground Surface Vibration for Mapping and Locating Underground Pipeline Leakage: An Experimental Investigation", 《SENSORS》 * |
周丽军,刘晓: "基于分数阶傅里叶变换的隧道低对比度裂缝检测", 《计算机科学》 * |
李林静: "泄洪洞表观缺陷的小样本视觉检测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
胡明: "基于OpenCV的地铁隧道衬砌裂缝检测系统的设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
谢丹 等: "融合多特征因素的像素级裂缝检测", 《智能计算机与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115346162B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106856002B (zh) | 一种无人机拍摄图像质量评价方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
CN112183416B (zh) | 一种基于深度学习方法的新增建设用地自动提取方法 | |
CN104851086B (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN108154134A (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
CN106709426B (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN108009591A (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN101893580A (zh) | 基于数字图像的钢轨表面缺陷检测方法 | |
CN115797641B (zh) | 一种电子设备气体泄漏检测方法 | |
CN105812618B (zh) | 一种运动检测方法及运动检测装置 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN112464893A (zh) | 一种复杂环境下的拥挤度分类方法 | |
CN103049788A (zh) | 基于计算机视觉的待过行人数目的检测系统及方法 | |
CN113362274B (zh) | 一种雨量监测计算方法 | |
CN115346162B (zh) | 基于室内监控的地下建筑墙体渗水实时监测方法 | |
CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
Lu et al. | An image recognition algorithm based on thickness of ice cover of transmission line | |
CN115330792A (zh) | 一种基于人工智能的污水检测方法及系统 | |
CN116416530B (zh) | 一种新增建设图斑影像核实的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |